Bücher von Bindu Madhuri Ch

Centra-se principalmente no problema da construção de modelos para representar o comportamento de utilizadores passados, capazes de prever as ligações mais prováveis que um utilizador solicitará ao visualizar uma página. O WUM foi especificamente concebido para realizar aplicações através da análise dos dados de utilização. Os resultados do algoritmo de agrupamento Grey são utilizados como entrada para o modelo de Markov de probabilidade móvel Grey para prever a próxima visita dos utilizadores. Esta abordagem modela as sessões de navegação e prevê o próximo passo de navegação utilizando probabilidades de transição com duas abordagens de estimação. A previsão é uma forma de analisar informações históricas para calcular a maior probabilidade possível do próximo pedido; o padrão de navegação quando os futuros utilizadores e clientes estão a navegar no sítio Web é correspondido. Existem muitas vantagens baseadas na Web para implementar a previsão, tais como a personalização do sítio Web, a estrutura adequada do sítio Web, a inteligência comercial, etc. As probabilidades de transação são mais adequadas para prever o próximo pedido dos utilizadores. No modelo de previsão, a cadeia de Markov de comprimento variável é utilizada para prever a categoria do estado seguinte dos utilizadores com a probabilidade de transação.

Il se concentre principalement sur le problème de la construction de modèles représentant le comportement passé des utilisateurs et capables de prédire les liens les plus probables qu'un utilisateur demandera lorsqu'il consultera une page. WUM a été spécialement conçu pour réaliser des applications en analysant les données d'utilisation. Les résultats de l'algorithme de regroupement de Grey sont utilisés comme entrée pour le modèle de Markov à probabilité mobile de Grey afin de prédire la prochaine visite des utilisateurs. Cette approche modélise les sessions de navigation et permet de prédire la prochaine étape de navigation en utilisant des probabilités de transition avec deux approches d'estimation. La prédiction est un moyen d'analyser les informations historiques pour calculer la probabilité la plus élevée possible de la prochaine demande ; le modèle de navigation lorsque les futurs utilisateurs et clients naviguent sur le site web est mis en correspondance. La mise en ¿uvre de la prédiction présente de nombreux avantages sur le web, tels que la personnalisation du site web, la structure appropriée du site web, l'intelligence économique, etc. Les probabilités de transaction sont plus appropriées pour prédire la prochaine demande des utilisateurs. Dans le modèle de prédiction, la chaîne de Markov à longueur variable est utilisée pour prédire la catégorie de l'état suivant des utilisateurs avec la probabilité de transaction.

Si concentra principalmente sul problema della costruzione di modelli per rappresentare il comportamento passato degli utenti, in grado di prevedere i collegamenti più probabili che un utente richiederà durante la visualizzazione di una pagina. WUM è stato progettato specificamente per realizzare applicazioni analizzando i dati di utilizzo. I risultati dell'algoritmo di clustering grigio vengono utilizzati come input per il modello di Markov a probabilità mobile grigio per prevedere la visita successiva degli utenti. Questo approccio modella le sessioni di navigazione e prevede la fase di navigazione successiva utilizzando le probabilità di transizione con due approcci di stima. La previsione è un modo di analizzare le informazioni storiche per calcolare la probabilità più probabile della prossima richiesta; il modello di navigazione quando i futuri utenti e clienti navigano sul sito web viene abbinato. I vantaggi dell'implementazione della previsione sul web sono molteplici, come la personalizzazione del sito web, la strutturazione di un sito web appropriato, la business intelligence, ecc. Le probabilità di transazione sono più adatte a prevedere le prossime richieste degli utenti. Nel modello di previsione, la Variable Length Markov Chain (catena di Markov di lunghezza variabile) viene utilizzata per prevedere la categoria dello stato successivo degli utenti con la probabilità di transazione.

Se centra principalmente en el problema de construir modelos para representar el comportamiento de usuarios anteriores, que sean capaces de predecir los enlaces más probables que un usuario solicitará al visualizar una página. WUM se ha diseñado específicamente para llevar a cabo aplicaciones mediante el análisis de los datos de uso. Los resultados del algoritmo de agrupación de Grey se utilizan como entrada para el Modelo de Markov de Probabilidad Móvil de Grey para predecir la próxima visita de los usuarios. Este enfoque modela las sesiones de navegación y para predecir el siguiente paso de navegación utilizando probabilidades de transición con dos enfoques de estimación. La predicción es una forma de analizar la información histórica para calcular la probabilidad más posible de la siguiente solicitud; se coteja el patrón de navegación cuando los futuros usuarios y clientes navegan por el sitio web. Aplicar la predicción tiene muchas ventajas, como la personalización del sitio web, la adecuación de su estructura, la inteligencia empresarial, etc. Las probabilidades de transacción son más adecuadas para predecir la próxima solicitud de los usuarios. En el modelo de predicción, se utiliza la cadena de Markov de longitud variable para predecir la categoría del siguiente estado de los usuarios con la probabilidad de transacción.

Osnownoe wnimanie udelqetsq probleme postroeniq modelej, predstawlqüschih powedenie pol'zowatelej w proshlom, kotorye sposobny predskazat' naibolee weroqtnye ssylki, kotorye pol'zowatel' zaprosit pri prosmotre stranicy. WUM special'no razrabotan dlq wypolneniq prilozhenij putem analiza dannyh ob ispol'zowanii. Rezul'taty raboty algoritma klasterizacii Grey ispol'zuütsq w kachestwe whodnyh dannyh dlq modeli Grey Moving Probability Markov Model dlq predskazaniq sleduüschego wizita pol'zowatelej. Jetot podhod modeliruet nawigacionnye sessii i dlq predskazaniq sleduüschego nawigacionnogo shaga ispol'zuet weroqtnosti perehoda s dwumq podhodami k ocenke. Prognozirowanie - äto sposob analiza istoricheskoj informacii dlq rascheta naibolee wozmozhnoj weroqtnosti sleduüschego zaprosa; pri ätom sopostawlqetsq model' prosmotra web-sajta buduschimi pol'zowatelqmi i klientami. Suschestwuet mnozhestwo preimuschestw dlq realizacii prognozirowaniq w Internete, takih kak personalizaciq web-sajta, sootwetstwuüschaq struktura sajta, biznes-analitika i t. d. Veroqtnost' tranzakcij bol'she podhodit dlq prognozirowaniq sleduüschego zaprosa pol'zowatelq. V modeli prognozirowaniq ispol'zuetsq cep' Markowa peremennoj dliny dlq predskazaniq kategorii sleduüschego sostoqniq pol'zowatelq s pomosch'ü weroqtnosti tranzakcii.

Das Hauptaugenmerk liegt auf dem Problem der Erstellung von Modellen, die das frühere Nutzerverhalten darstellen und die in der Lage sind, die wahrscheinlichsten Links vorherzusagen, die ein Nutzer beim Betrachten einer Seite anfordert. WUM wurde speziell für die Durchführung von Anwendungen durch Analyse der Nutzungsdaten entwickelt. Die Ergebnisse des Grey-Clustering-Algorithmus werden als Input für das Grey Moving Probability Markov Model verwendet, um den nächsten Besuch der Nutzer vorherzusagen. Dieser Ansatz modelliert Navigationssitzungen und die Vorhersage des nächsten Navigationsschritts unter Verwendung von Übergangswahrscheinlichkeiten mit zwei Schätzungsansätzen. Die Vorhersage ist ein Weg, historische Informationen zu analysieren, um die höchstmögliche Wahrscheinlichkeit der nächsten Anfrage zu berechnen; das Browsing-Muster, wenn die zukünftigen Benutzer und Kunden auf der Website surfen, wird abgeglichen. Es gibt viele webbasierte Vorteile, um die Vorhersage zu implementieren, wie z. B. Website-Personalisierung, strukturierte Website, Business Intelligence usw. Die Transaktionswahrscheinlichkeiten eignen sich besser für die Vorhersage der nächsten Anfrage der Nutzer. Im Vorhersagemodell wird eine Markov-Kette variabler Länge verwendet, um die Kategorie des nächsten Zustands des Benutzers mit der Transaktionswahrscheinlichkeit vorherzusagen.